[發明專利]一種鋰電池剩余壽命預測方法

在審

• 申請號: 202210094514.2
• 申請日: 2022-01-26
• 公開（公告）號: CN114545274A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 李祖欣;張宗杰;蔡志端;錢懿
• 申請（專利權）人: 湖州學院
• 主分類號: G01R31/392
• 分類號: G01R31/392
• 代理公司: 杭州宇信聯合知識產權代理有限公司 33401
• 代理人: 王健

1.一種鋰電池剩余壽命預測方法，其特征在于該方法包括以下各步驟：

步驟一：離線建模，收集鋰電池離線數據，通過提取鋰電池退化特征序列，得到健康因子樣本集，使用隨機森林算法對健康因子樣本集進行權重分析，以所占權重大小，確定所選健康因子樣本；將所選樣本按序加入訓練數據，隨機產生初始化參數代入BiLSTM模型訓練；當訓練結果精度不滿足要求，通過貝葉斯優化模型：建立高斯過程回歸模型，求采集函數表達式，根據采集函數求出下一組模型參數，直到找到滿足精度要求的最優超參數，構建預測模型；

步驟二：在線預測，通過收集鋰電池在線數據，對應離線階段的特征選擇，得到健康因子樣本集；然后使用離線階段建立的BiLSTM預測模型進行鋰電池壽命預測。

2.根據權利要求1所述的鋰電池剩余壽命預測方法，其特征在于，步驟一所述的離線訓練過程如下：

步驟11：收集鋰電池離線數據包括充放電過程的電流，電壓，溫度，進行退化特征提取；得到等壓升充電時長t_eq-vc，等時間間隔充電電壓升V_eq-tc，恒流充電時長t_hc，等時間間隔充電電流降I_eq-tc，容量增量曲線ic，初始溫度T₀，平均溫度T_avg，中值溫度T_mid，最大溫度T_max，平均溫度變化率T_rate，等壓降放電時間t_eq-vd，等時間間隔放電電壓降V_eq-td，平均電壓衰減MVF，電壓樣本熵V_SampEn；各退化特征計算公式如下：

其中，T是溫度，V_n是標稱電壓4.2V，K是采樣頻率，B^m(r)是兩個電壓序列在相似容限r下匹配m個點的概率，A^m(r)是兩個電壓序列匹配m+1個點的概率；

步驟12：當得到所有健康因子樣本集后，將健康因子X₁，X₂，X₃，...,X_q堆疊成一個矩陣得到健康因子樣本訓練集X∈R^p×q，其中，p表示訓練樣本數，q表示健康因子個數；

步驟13：使用隨機森林算法選取健康因子，使用抽樣放回的方法在訓練集X中抽取，隨機采樣n個樣本，產生t個訓練集；再由訓練集產生對應的決策樹，在生成的每一個結點，隨機不重復地選擇d個特征，利用這d個特征分別對訓練集Y進行劃分，用基尼系數找到最佳的劃分特征，重復上述步驟，直到得到隨機森林模型；將Gini指數用GI來表示，計算每個健康因子的Gini指數評分VIM^(Gini)，Gini指數的計算公式為：

其中，K表示有K個類別，p_dk表示節點d中類別k所占比例；

健康因子X_j在節點m的重要性為：

GI_l和GI_r分別表示分枝后兩個節點的Gini指數；

健康因子X_j在決策樹i中出現的節點為集合M，那么X_j在第i棵樹的重要性為：

如果隨機森林模型中共有n棵樹，那么：

把所有求得的重要性評分歸一化處理即得到了健康因子的重要性打分：

步驟14：選擇BiLSTM模型需要優化的參數，設置m個初始超參數X_m＝[X₁,X₂,...,X_m]，代入BiLSTM模型中進行訓練；得到X_m在目標函數上的結果Y_m＝[Y₁,Y₂,...,Y_m]，構建矩陣D＝{(X₁,Y₁)...(X_m,Y_m)}；驗證初始模型在訓練集上是否滿足精度要求，若滿足，且迭代次數小于最大迭代次數，則模型超參數為X_m，若不滿足，則進行貝葉斯優化循環迭代；

貝葉斯優化過程為：利用矩陣D，建立高斯過程回歸模型；通過采集函數g(X)，進行下一組超參數X_m+1的計算；將新的超參數代入BiLSTM模型，進行模型訓練，計算目標函數結果Y_m，判斷是否滿足精度要求。

3.根據權利要求1所述的一種鋰電池剩余壽命預測方法，其特征在于，步驟二所述的在線檢測過程如下：

步驟21：使用步驟一離線訓練階段的步驟13中隨機森林模型計算得到的重要性大于0.3的健康因子，在線采集相應的健康因子數據；

步驟22：使用步驟一離線訓練階段的步驟14中使用貝葉斯優化的BiLSTM模型參數，建立在線預測模型；

步驟23：將在線采集到的相應的健康因子數據輸入，通過遺忘門和輸入輸出門更新細胞狀態，獲取之前時刻與后續時刻之間的時序關系，最后再通過全連接層得到最終的鋰電池剩余壽命預測結果：若預測的電池容量低于80％，則判定電池壽命結束。